推荐|yolov4+deepsort（yolo目标检测+自适应卡尔曼滤波追踪+毕业设计代码）

yolov4+deepsort（yolo目标检测+自适应卡尔曼滤波追踪+毕业设计代码）

25-03-08 00:22

6659

blog.csdn.net

id="article_content" class="article_content clearfix" style="height: 2000px; overflow: hidden;"> id="content_views" class="markdown_views prism-atom-one-dark">

更多视觉额自动驾驶项目请见：
小白学视觉
 自动驾驶项目

项目介绍

该项目一个基于深度学习和目标跟踪算法的项目，主要用于实现视频中的目标检测和跟踪。该项目使用了 YOLOv4 目标检测算法和 DeepSORT 目标跟踪算法，以及一些辅助工具和库，可以帮助用户快速地在本地或者云端上实现视频目标检测和跟踪。
在这里插入图片描述

YOLOv4 是一种高效的目标检测算法，它基于深度卷积神经网络，可以在实时性要求比较高的场景下进行目标检测。DeepSORT 是一种基于卡尔曼滤波器和匈牙利算法的目标跟踪算法，可以将视频帧中的目标在时间序列中进行跟踪，并且可以自适应地调整卡尔曼滤波器的参数，以提高跟踪的精度和鲁棒性。

主要功能

视频目标检测和跟踪：该项目可以读取本地或者云端的视频文件，对视频帧中的目标进行检测和跟踪，并且可以将跟踪结果保存为视频文件或者输出为实时视频流。

目标检测和跟踪参数的调整：该项目提供了一些参数可以调整，包括目标检测的置信度阈值、目标跟踪的匹配阈值、卡尔曼滤波器的参数等等，用户可以根据实际场景进行调整，同时也进行了自适应卡尔曼滤波。

相机标定：该项目还提供了相机标定的工具，可以对相机进行标定，以提高目标检测和跟踪的精度。

多目标跟踪：该项目支持同时跟踪多个目标，可以通过目标 ID 进行区分和跟踪。

面向对象

该项目的实现比较简单和易于理解，适合初学者和学习者使用。同时，该项目的代码也是开源的，用户可以根据自己的需要进行修改和扩展。需要注意的是，该项目的使用需要一定的计算资源和算法实现能力，同时也需要一些深度学习和目标跟踪的基本知识。
在这里插入图片描述

YOLOv4-DeepSort项目实战

依赖项

Python 3.x
TensorFlow 2.x
OpenCV 4.x
NumPy
SciPy
Matplotlib

安装

克隆本项目：

git clone my_project.git 或者联系我获取压缩包------qq1309399183-------
 class="hljs-button signin" data-title="登录后复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

代码获取及结果

def save_tf():#------联系：qq1309399183---- STRIDES, ANCHORS, NUM_CLASS, XYSCALE = utils.load_config(FLAGS) input_layer = tf.keras.layers.Input([FLAGS.input_size, FLAGS.input_size, 3]) feature_maps = YOLO(input_layer, NUM_CLASS, FLAGS.model, FLAGS.tiny) bbox_tensors = [] prob_tensors = [] if FLAGS.tiny: for i, fm in enumerate(feature_maps): if i == 0: output_tensors = decode(fm, FLAGS.input_size // 16, NUM_CLASS, STRIDES, ANCHORS, i, XYSCALE, FLAGS.framework) else: output_tensors = decode(fm, FLAGS.input_size // 32, NUM_CLASS, STRIDES, ANCHORS, i, XYSCALE, FLAGS.framework) bbox_tensors.append(output_tensors[0]) prob_tensors.append(output_tensors[1]) else: for i, fm in enumerate(feature_maps): if i == 0: output_tensors = decode(fm, FLAGS.input_size // 8, NUM_CLASS, STRIDES, ANCHORS, i, XYSCALE, FLAGS.framework) elif i == 1: output_tensors = decode(fm, FLAGS.input_size // 16, NUM_CLASS, STRIDES, ANCHORS, i, XYSCALE, FLAGS.framework) else: output_tensors = decode(fm, FLAGS.input_size // 32, NUM_CLASS, STRIDES, ANCHORS, i, XYSCALE, FLAGS.framework) bbox_tensors.append(output_tensors[0]) prob_tensors.append(output_tensors[1]) pred_bbox = tf.concat(bbox_tensors, axis=1) pred_prob = tf.concat(prob_tensors, axis=1) if FLAGS.framework == 'tflite': pred = (pred_bbox, pred_prob) else: boxes, pred_conf = filter_boxes(pred_bbox, pred_prob, score_threshold=FLAGS.score_thres, input_shape=tf.constant([FLAGS.input_size, FLAGS.input_size])) pred = tf.concat([boxes, pred_conf], axis=-1) model = tf.keras.Model(input_layer, pred) utils.load_weights(model, FLAGS.weights, FLAGS.model, FLAGS.tiny) model.summary() model.save(FLAGS.output) def main(_argv): save_tf() class="hljs-button signin" data-title="登录后复制" data-report-click="{"spm":"1001.2101.3001.4334"}">